ハイブリッド EEG 機能学習方法 クロスセッション 人間 メンタル アテンション 状態分類
Xu Chen1, Xingtong Bao1, Kailun Jitian1
1School of Computer Science and Technology, Hangzhou Dianzi University, Hangzhou 310018, China.
Brain sciences
|August 28, 2025
まとめ
この研究は,脳脳図 (EEG) 信号から精神的注意状態を正確に解読する新しい方法を導入し,異なるユーザーとセッションで脳コンピュータインターフェース (BCI) を改善します.
科学分野:
- 神経科学
- シグナル処理
- 機械学習
背景:
- 電気脳波 (EEG) による精神的注意状態の解読は,認知モニタリングや脳コンピュータインターフェース (BCI) のようなアプリケーションに不可欠です.
- 既存のEEG方法は,クロスセッションと学問間の可変性で苦労し,現実世界の適用性を制限しています.
- 特定のユーザーや録音セッションを超えて一般化するモデルが必要です.
研究 の 目的:
- 精神的注意状態 (集中,非集中,眠気) の堅固な分類のためのハイブリッド機能学習フレームワークを開発する.
- 異なるセッションと個人間でEEGベースの注意の解読の汎用性を高める.
- 精神状態の継続的なモニタリングシステムの基盤を確立する.
主な方法:
- 前処理,チャネル式スペクトル特征抽出 (STFT) および接続性特征 (機能的および構造的) を統合した統一パイプライン.
- 2段階の特徴選択で,相関に基づくフィルタリングとランダムな森林ランキングを組み合わせて,関連性と次元性を削減します.
- 効率的で一般化可能な最終分類のためのサポートベクトルマシン (SVM).
主要な成果:
- 2つのクロスセッションと主体間のEEGデータセットで86.27%と94.01%の高い分類精度を達成しました.
- 伝統的なEEGベースの注意の解読方法よりも 性能が優れている
- スペクトル解析と接続性認識機能を統合する効果を示した.
結論:
- コネクティビティを意識する機能とスペクトル解析を統合することで,注意の解読モデルの汎用性を大幅に高めます.
- 提案されたハイブリッドフレームワークは,現実世界のEEGベースの精神状態モニタリングのための有望なアプローチを提供します.
- この研究は より堅牢で適応性の高い 脳コンピュータ インターフェースの道を開きます
